มีคำตอบ "เชิงทฤษฎี" และคำตอบที่ "จริงจัง"
จากมุมมองทางทฤษฎีเมื่อก่อนไม่เหมาะสมคนหลังไม่มีอยู่ (ดูที่คำตอบของแมทธิวสำหรับคำแถลงเสียง) แต่อาจถูกประมาณโดยแบบฟอร์มที่ จำกัด
หากข้อมูลประกอบด้วยตัวอย่าง iid แบบมีเงื่อนไขจากการแจกแจงแบบ Bernoulli พร้อมพารามิเตอร์และθมีการแจกแจงแบบเบต้าพร้อมพารามิเตอร์αและβการแจกแจงหลังของθคือการแจกแจงแบบเบต้าด้วยพารามิเตอร์α + s , β + n - s ( nการสังเกตความสำเร็จs ) และค่าเฉลี่ยของมันคือ( α + s ) / ( α + β + n )θθαβθα + s , β+ n - sns( α + s ) / ( α + β+ n ). ถ้าเราใช้การกระจายที่ไม่เหมาะสม (และไม่จริง) เบต้าก่อนกับ hypeparameters ก่อนและแกล้งทำเป็นว่าπ ( θ ) α θ - 1 ( 1 - θ ) - 1เราได้รับหลังที่เหมาะสมได้สัดส่วนกับθ s - 1 ( 1 - θ ) n - s - 1 , คือ pdf ของการแจกแจงเบต้าพร้อมพารามิเตอร์sและn - sα = β= 0π( θ ) ∝ θ- 1( 1 - θ )- 1θs - 1( 1 - θ )n - s - 1sn - sยกเว้นปัจจัยคงที่ นี่เป็นรูปแบบที่ จำกัด ของส่วนหลังสำหรับเบต้าก่อนหน้าด้วยพารามิเตอร์และβ → 0 (Degroot & Schervish ตัวอย่าง 7.3.13)α → 0β→ 0
θσ2ยังไม่มีข้อความ( μ0, τ20)θ1 / τ20n / σ2τ20= ∞
p ( θ ∣ x ) ≈ N( θ ∣ x¯, σ2/ n)
p(θ)θ∈(−∞,∞)τ20∞
p(x∣θ)p(θ)=0p(x∣θ)=0p(θ)p(x∣θ)≠0(a,b)∫∞−∞p(x∣θ)p(θ)dθ=∫bap(x∣θ)p(θ)dθ(a,b)f(x)=k,x∈(−∞,∞)f(x)=kx−1,x∈(0,∞)(a,b)θU(−∞,∞)(a,b)θ∼U(a,b)p(x∣θ)p(θ)=p(x∣θ)k∝p(x∣θ)